结合高光谱和高空间分辨率影像提取城市固体废弃物堆

雒立群，郭　舟，赵文智，柴友玲，张　备，董忠亮

(1. 北京大学遥感与地理信息系统研究所，北京 100871； 2. 61243部队，新疆 乌鲁木齐 830006)



结合高光谱和高空间分辨率影像提取城市固体废弃物堆

雒立群1,2，郭舟1，赵文智1，柴友玲2，张备2，董忠亮2

(1. 北京大学遥感与地理信息系统研究所，北京 100871； 2. 61243部队，新疆 乌鲁木齐 830006)

Combining Hyperspectral and High-resolution Images to Extract Municipal Solid Waste Dumps

LUO Liqun，GUO Zhou，ZHAO Wenzhi，CHAI Youling，ZHANG Bei，DONG Zhongliang

摘要：城市固体废弃物给城市的环境及居民的生活质量造成了严重的影响。利用遥感手段提取城市固废堆具有及时和高效的特点，因此具有十分重要的意义。然而，由于固废堆组成成分复杂、分布不规律，仅仅利用高分辨率影像进行提取十分困难。本文结合高光谱影像和高分辨率影像提取了城市固废堆，采用多尺度的研究方法，在对高光谱和高分辨率影像预处理的基础上，首先在高光谱影像上进行了粗提取，然后将粗略结果映射到高分辨率影像上，进行了精确提取。以北京市地区作为研究区域，使用数据包括获取时间接近的QuickBird影像和Hyperion高光谱影像，利用提出的方法进行固废提取试验，并将最终的试验结果与目视判读结果进行对比，固废堆的识别率为82.35%，准确率为74.81%。同时，该方法与已有的固废提取试验对比结果有显著提高。这一结果表明，本文提出的结合高光谱影像和高分辨率影像提取城市固废堆方法具有可行性。

关键词：高光谱影像；高分辨率影像；城市固废堆；面向对象影像分析

随着城市化进程的加快，一系列的城市问题开始凸显，其中最严峻的问题之一便是城市固体废弃物的处理。城市的工业生产、工地建设及城市居民的日常生活，产生了大量的固废垃圾。然而相当一部分的垃圾都没有采取有效的处理措施，直接露天堆放或简单掩埋，形成了大量的非正式的城市固废堆。一方面这些固废堆占用了大量的城市土地，使得本来就十分突出的人地矛盾显得更加尖锐[1]；另一方面，城市固废堆也产生了一系列严重的城市生态问题，如空气污染、水污染、疾病传播等，严重影响了城市居民的生活健康。为此许多城市都采取了一系列的治理措施。

遥感影像具有覆盖面积大、数据更新及时的特点。从遥感影像上提取城市固废，可以节省大量的人力物力，有利于相关部门对固废信息的动态了解和实时决策，因此具有十分广阔的应用前景。目前利用遥感影像提取城市固废堆方面已有一些尝试。吴文伟等[2]利用航空影像，通过建立解译标志对北京市固体废弃物的分布进行识别。刘亚岚等[3]利用北京1号小卫星影像对北京地区的非正规垃圾场进行了判别分析，并利用不同时相的影像对判别出的垃圾场进行了变化检测。Bagheri等[4]利用航空影像对美国新泽西州伯灵顿市区的垃圾堆进行了目视判读识别。

目前大部分利用遥感影像解译固废堆的研究都局限于目视解译范围。目视解译是一个耗时耗力的工作，需要大量解译员的参与，工作强度大并且效率很低。随着计算机自动解译技术的发展，发展计算机自动或半自动解译遥感影像提取城市固废堆的技术成为一种必然的趋势。Silverstri[5]等利用1 m高分辨率IKONOS影像进行了监督分类处理，得到了意大利城市固废堆分布结果。张方利等[6]利用QuickBird影像采用决策树分类的方法，尝试了在北京地区提取城市固废。然而，这些研究的结果都并不理想，一方面这些方法对不同类型、不同地区的遥感数据普适性并不好；另一方面，固废堆提取精度还有待进一步提高。

城市固废自身的复杂性是造成固废自动提取精度低、难度大的主要原因。城市固废组成成分和空间形态复杂，并且分布也较为随机。通常城市固废自动提取采用的是高分辨率卫星影像，它们虽然具有较高的空间分辨率，然而光谱分辨率却有限，仅仅利用如此有限的光谱信息，很难将固废与其他城市地物区分开来。高光谱传感器通过连续的窄波段成像，能够获得更加精细的光谱信息，大大提高了地物的识别能力，被广泛地应用于各类地物信息提取中[7-9]。融合高光谱和高分辨率影像将大大降低城市固废堆提取的难度，提高固废提取的精度。

本文提出一种结合高光谱和高空间分辨率影像提取城市固废的方法，旨在充分利用两种数据各自的特点，解决固废堆提取自动化程度低、提取困难的问题。与已有的方法相比，该方法的优点是提取精度较高。

一、研究区域和数据

本文的研究区域位于116°19′—116°24′E和39°56′—40°3′N范围，在北京北五环与北三环之间，覆盖了北京海淀区和朝阳区部分区域，在研究区域内有多处建筑垃圾和生活垃圾堆。

研究数据选用了高分辨率QuickBird影像，具有0.6 m的空间分辨率。影像数据覆盖面积为6.0×6.9 km2，影像获取时间为2003年3月。图1(a)为QuickBird的真彩色图像。在同一研究区内，选用了高光谱影像Hyperion L1R，它的光谱范围为400～2500 nm，光谱分辨率为10 nm，影像的空间分辨率为30 m。获取时间为2003年4月，与QuickBird影像获取时间相近。图1(b)为试验用到的Hyperion影像。

图1

二、固废提取流程与方法

固废提取的总体流程如图2所示。在提取城市固废前，对试验所用到的高光谱和高空间分辨率影像进行了预处理。然后采用多尺度的分析方法提取城市固废：首先对高光谱影像进行粗分割，通过K近邻分类的方法，在高光谱影像上得到城市固废的初步提取结果；再将初步提取的固废结果映射到高分辨率影像上，进行细分割；进一步利用城市固废的光谱、纹理及形状特征，提取更加精确的城市固废边界。

图2　固废提取流程

1. 数据预处理

为了充分融合QuickBird数据和Hyperion数据信息以提取城市固废，需要对二者影像进行一系列的预处理，包括影像校正、噪声波段去除、影像融合、降维处理等。

(1) 影像校正

原始的QuickBird影像与Hyperion影像并不能完全配准，需要对二者进行匹配及几何校正，校正后的Hyperion数据与QuickBird数据几何上一致。

(2) 噪声波段去除

噪声波段在高光谱数据中是不可避免的，采用目视判读的方法，剔除了66个噪声波段，最终保留了176个波段，见表1。

表1　Hyperion 数据剔除和保留的波段

(3) 影像融合

为了解决高光谱数据空间分辨率过低(30 m)的问题，本研究对Hyperion和QuickBird数据进行了影像融合处理，选用了Gram-schmidt的融合方法。这是一种线性代数和多元统计中常用的方法，具有较高的图像保真效果，且具有高效性[10]。

(4) 降维处理

经过噪声波段去除处理后的高光谱数据包含有大量冗余的波段信息，统计分析表明许多波段都具有高度自相关关系。因此需要对Hyperion数据进行降维处理。

在本研究中，采用MNF变换对Hyperion 数据进行降维处理，依据生成的特征值曲线，选取了经过MNF变换后的前15个波段进行后面的固废提取。

2. 利用高光谱影像粗略识别城市固废感兴趣区域

(1) 高光谱影像粗分割

面向对象的分析处理技术能够更加充分地利用地物的纹理、几何及拓扑邻接等特征[11]，因此被广泛地应用于遥感信息提取中。

本研究首先在高光谱影像上进行粗分割，利用eCognition 8.7提供的多分辨率分割算法，选取MNF变换后的前15个高光谱波段参与分割，其中前5个波段的权重设为3，而后10个波段的权重设为1。以上权值是根据MNF变换所产生的特征值曲线图确定的。

(2) K近邻分类

K近邻分类是一种经典的最近邻分类算法。它是一种非参数的分类方法，不需要任何有关数据分布的统计假设。根据训练样本在特征空间中值的分布，对未分类的影像对象进行分类。K近邻分类算法先计算待分类数据P0(x0,y0,…)到训练集T所有数据的距离{d1,d2,…}，选出k个最近邻的训练数据Dp。假设这k个已经训练的样本中，有N1个来自w1类，有N2个来自w2类，有Nc个来自wc类。找到N1、N2、…、Nc中的最大值Nx，其所对应的类别为wx。那么该待分类的数据P0应该被分到wx类中。理论上已经证明，在针对大规模数据集时，K近邻算法具有良好的性能。

根据试验区的地物种类分析，确定了试验区的地物类别为建筑、道路、裸土、植被、水体及固废堆6类。每类随机选择数十到数百不等的样本。选取高光谱影像的15个波段值作为特征空间。通过K邻近分类，可以得到初始的固废堆提取结果。

3. 利用高分辨率影像精确提取城市固废堆区域

利用K近邻监督分类的方法可以从高光谱影像中提取得到城市固废堆粗分类的结果。然而，受限于高光谱影像空间分辨率，固废分类的结果并不十分精确，一方面固废的边界并不准确；另一方面，部分的裸土和建筑物被错分为城市固废堆。因此，需要进一步在高分影像上进行精确提取。

将高光谱影像上粗分类的结果映射到高分影像上，对粗分类结果进行细分割。在高分影像上地物的边界更加清晰，纹理特征也更加凸显。可以进一步对光谱、纹理及形状特征进行固废精提取。

(1) 光谱分类

图3是在高分辨率影像上典型的城市固废。分析固废堆在高分辨率影像上的光谱特征可以发现，相对于周围其他地物，城市固废呈现出较亮的特征，主要以灰白和白色为主，有时会夹杂着褐色的斑点。为了排除粗分类结果中建筑物对固废堆的干扰，定义了固废比率指数(RMI)，定义如式(1)所示，固废在绿光波段具有较强的反射，而在蓝光波段反射较弱，因此RMI值会较高。利用RMI指数可以有效地从粗分类结果中排除建筑物的干扰。

图3　固废堆真彩色影像

固废堆上很少有植被生长，为了排除生长有植被的裸土对固废堆的干扰，利用了归一化植被指数(NDVI)，定义如式(2)所示，固废堆的NDVI指数值较低。利用NDVI指数可以有效地排除部分裸土的干扰。

(1)

(2)

式中，MG(o)为对象o在绿光波段的平均光谱值；MB(o)为对象o在蓝光波段的光谱值；MNIR(o)为对象o在近红外波段的光谱值；MR(o)为对象o在红光波段的光谱值。

(2) 纹理分类

纹理特征是地物内部特征在遥感影像上的表现，反映了影像光谱模式的空间分布规律，它同时兼顾了影像的宏观结构和微观结构，是描述影像光谱变化的一个重要特征。在城市地物中，大部分的人工地物，如道路、建筑物、水泥地面及城市郊区的农田都具有较规则的纹理，而城市固废堆由于其组成成分杂乱，内部凹凸不平，而且排列没有一定的规律可循，因此城市固废堆呈现出纹理不规则的特征。

灰度共生矩阵(GLCM)是最常用的纹理描述方法，它通过度量影像上的相关特征来描述纹理。基于GLCM可以进一步计算各种纹理统计量。常用的纹理统计量有同质性(Homogeneity)和对比度(Contrast)，它们的计算公式分别为

(3)

(4)

式中，i、j为GLCM矩阵的行列号；Pi,j为标准化GLCM矩阵的值。同质性越大，反映地物的纹理越有规律；而对比度越大，反映地物的纹理越紊乱。城市固废堆的同质性较小，而对比度较大。

(3) 形状约束

在高分辨率影像上，有效地排除错分的城市建筑的另外一个有效特征是几何特征，几何特征是基于影像对象定义的，主要描述对象本身的形态特征。一般而言，人工地物特别是城市建筑物都具有相对规则的形状，一般接近矩形，而固废堆的形状则较不规则。因此利用矩形度(rectangular fit)来衡量形状特征，城市固废的矩形度较小，而建筑物的矩形度则较大。

三、试验结果与分析

按照上述方法，对研究区域的数据进行了处理，得到的试验结果如图4(a)所示，在试验区域内，共有131处可能的城市固废堆被自动提取出来，图4(b)显示了几处固废堆轮廓提取的结果。从提取的结果可以看出，利用本文的方法提取城市固废堆的效果比较满意，大部分的城市固废堆都已被正确分类。为了进一步量化地评估试验结果，选择目视判读结合实地考察的结果作为参照，与自动提取的结果进行对比，并定义了两个指标：准确率和识别率，固废堆准确率为

(5)

固废堆识别率为

(6)

式中，NMSW+为正确提取的固废堆数目；NROI为自动提取的所有感兴趣区域的数目；NNSW为研究区域内总的固废堆数目(由人工目视判读得到)。

经过遥感图像目视判读解译结合实地调查，研究区域内共有119处固废堆，其中本研究正确识别的有98处，计算得到固废堆提取的识别率为82.35%，准确率是74.81%，漏分率为17.65%。将本文的方法与已有的研究结果[6]进行对比，仅仅使用高分辨率影像进行固废堆提取的识别率为43.61%，准确率为75.01%。本文的方法与之相比准确率虽然基本不变，但是固废识别率得到了显著提高(约40%)。进一步分析利用本文方法的提取结果，可以发现错分的固废堆多数出现在那些陈旧的建筑物，而漏分则多出现在那些堆放灰土的固废堆。

图4　固废堆提取结果

从固废堆的分布来看，道路两侧的固废堆较多，外城区的固废堆数量较中心城区多，并且建筑物密集的地方附近的固废堆的数量也会相对较多。这与北京市的实际情况符合，一般而言，中心城区管理设施完善，规划也相对合理，因此固废堆少，而在外城区，随着城市的快速发展，有许多建设工地，会产生大量的建筑垃圾，并且居民聚居地也会伴随着大量的生活固废堆。

四、结论

本文研究了城市固废堆的光谱、纹理、形状等特征，并且据此提出了一种结合高空间分辨率和高光谱分辨率的多尺度城市固废堆提取方法，并对北京地区进行了固废自动提取试验，将自动提取的结果与专家目视判读结合实地考察的结果进行对比，计算得到固废堆的识别率为82.35%，准确率为74.81%。相对于仅仅利用高分辨率影像提取固废堆，本文所提出的方法在提取精度方面有较大的提高。通过以上试验可以得到如下两点结论：①利用遥感影像自动提取城市固废堆是可行的；②增加相应的高光谱数据，可以大大地提高固废堆提取的精度。

参考文献：

[1]郭舟, 杜世宏, 张方利. 基于高分辨率遥感影像的城市建设区提取[J]. 北京大学学报(信息科学版), 2013, 49(4): 635-642.

[2]吴文伟, 刘竞. 北京市固体废弃物分布调查中遥感技术的应用[J]. 环境卫生工程,2000, 8(2): 76-78.

[3]刘亚岚, 任玉环, 魏成阶, 等. 北京1号小卫星监测非正规垃圾场的应用研究[J]. 遥感学报, 2009, 13(2): 320-326.

[4]BAGHERI S, HORDON R M. Hazardous Waste Site Identification Using Aerial Photography: A Pilot Study in Burlington County, New Jersey, USA [J]. Environmental Management, 1988, 12(1): 119-125.

[5]SILVESTRI S, OMRI M. A Method for the Remote Sensing Identification of Uncontrolled Landfills: Formulation and Validation [J]. International Journal of Remote Sensing, 2008,29(4): 975-989.

[6]张方利,杜世宏,郭舟. 应用高分辨率影像的城市固体废弃物提取[J].光谱学与光谱分析, 2013, 33(8): 2024-2030.

[7]HUANG X, ZHANG L. An Adaptive Mean-shift Analysis Approach for Object Extraction and Classification from Urban Hyperspectral Imagery[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2008, 46(12): 4173-4185.

[8]STEVEN M, HORNSTRA T, MASS H G. An Interegrated Spatial and Spectral Approach to the Classification of Mediterranean Land Cover Types [J]. International of Applied Earth Observation and Geoinformation, 2001, 3(2): 176-183.

[9]童庆禧, 郑兰芳, 王晋年, 等. 湿地植被成象光谱遥感研究[J].遥感学报,1997,1(1)：50-57.

[10]谭永生, 沈掌泉, 贾春燕, 等. 中高分辨率遥感影像融合研究[J].遥感技术与应用, 2007, 22(4): 536-542.

[11]李珵, 卢小平, 李向阳. 基于面向对象的建筑物轮廓协同提取方法[J]. 测绘通报, 2013(5): 66-69.

中图分类号：P237

文献标识码：B

文章编号：0494-0911(2016)02-0038-04

通信作者：郭舟

作者简介：雒立群(1982—)，男，硕士，工程师，主要研究方向为空间数据的多尺度表达及模式识别。E-mail：lqluo.pku@gmail.com

基金项目：国家自然科学基金(41301493)

收稿日期：2015-02-02

引文格式： 雒立群，郭舟，赵文智，等. 结合高光谱和高空间分辨率影像提取城市固体废弃物堆[J].测绘通报，2016(2)：38-41.DOI:10.13474/j.cnki.11-2246.2016.0044.